Neural Representations

扩散几何方法比较神经网络表征

研究人员开发了一种使用扩散几何学的新方法，用于比较不同层和整个网络中的神经网络表征。该方法通过将相似性度量视为马尔可夫矩阵来改编流形学习技术，从而实现多尺度分析。新的方法，包括中心核对齐（Centered Kernel Alignment）和距离相关性（Distance Correlation）的变体，在语言和视觉任务的基准测试中取得了最先进的结果，即使在分布外数据上也能展现出卓越的准确性和相关性。